Arbeitspaket (AP) 3: Multimodal Interactions - Images¶
Persönliche Angaben (bitte ergänzen)¶
| Vorname: | Dominic |
| Nachname: | Rodel |
| Immatrikulationsnummer: | 21577697 |
| Modul: | Data Science |
| Prüfungsdatum / Raum / Zeit: | 16.12.2024 / Raum: SF O3.54 / 8:00 – 12:30 |
| Erlaubte Hilfsmittel: | w.MA.XX.DS.24HS (Data Science) Open Book, Eigener Computer, Internet-Zugang |
| Nicht erlaubt: | Nicht erlaubt ist der Einsatz beliebiger Formen von generativer KI (z.B. Copilot, ChatGPT) sowie beliebige Formen von Kommunikation oder Kollaboration mit anderen Menschen. |
Bewertungskriterien¶
Der Code für jede Aufgabe wird gemäss dem folgenden Schema bewertet. Die Gesamtpunktzahl beträgt maximal 48 Punkte, wobei jede Aufgabe bis zu 8 Punkte bzw. 4 Punkte erreichen kann.
| Kategorie | Beschreibung | Punkteverteilung |
|---|---|---|
| Code nicht lauffähig oder Ergebnisse nicht relevant | Der Code läuft nicht oder erfüllt nicht die Anforderungen des Aspekts (z. B. Bilder werden nicht geladen, die Textausgabe der Extraktion fehlt, Bounding Boxes werden nicht angezeigt). | 0 Punkte |
| Code lauffähig, aber mit gravierenden Mängeln | Der Code läuft, jedoch fehlen zentrale Teile der Funktionalität eines Aspekts (z. B. unvollständige Extraktion von Bildinformationen oder Fehler bei der Definition eines Schemas). | 25% der max. erreichbaren Punkte |
| Code lauffähig, aber mit mittleren Mängeln | Der Code läuft und liefert teilweise korrekte Ergebnisse für einen Aspekt, aber wichtige Details fehlen (z. B. ungenaue Bounding Boxes, unvollständige Integration der extrahierten Daten). | 50% der max. erreichbaren Punkte |
| Code lauffähig, aber mit minimalen Mängeln | Der Code erfüllt die Anforderungen eines Aspekts weitgehend, aber kleinere Fehler oder Abweichungen (z. B. nicht robust Extraktionsdaten, kleinere Schemaabweichungen, Prompt zu wenig stringent formuliert -> teilweise unstabile Output)sind vorhanden. | 75% der max. erreichbaren Punkte |
| Code lauffähig und korrekt | Der Code erfüllt die Anforderungen des Aspekts vollständig und liefert die erwarteten Ergebnisse ohne Fehler (z. B. korrekte Extraktion, vollständige Bounding Boxes, saubere Integration). | 100% der max. erreichbaren Punkte |
Vorbereitung (Dieser Teil wird nicht bewertet!)¶
1.) Starten Sie eine GitHub Codespaces Instanz auf Basis Ihres Forks von diesem Github Repository
2.) Erstellen Sie eine neue Datei .env in Ihrem Codespace, die die API-Keys als ENV-Variabel enthält, und laden Sie diese in Ihrem Code mithilfe der dotenv Library.
Aufgabe (Dieser Teil wird bewertet!)¶
Hinweise zum folgenden Arbeitspaket:¶
Im Rahmen dieses Arbeitspakets sollen Sie eine Objekterkennung durchführen, indem Sie ein Modell Ihrer Wahl verwenden, das Texte nutzt, um Informationen aus Bildern zu extrahieren. Die folgenden zwei Bilder stehen Ihnen zur Verfügung:
prescription1.jpg und hospital_scene.jpeg.
prescription1.jpgzeigt ein handgeschriebenes ärztliches Rezept für einen/eine Patienten/Patientinnen. Auf dem Rezept sind neben den Informationen zu den verschriebenen Medikamenten auch der Name, das Geschlecht und das Geburtsdatum des Patienten angegeben.hospital_scene.jpegzeigt eine Krankenhauszimmerszene, in der sich zwei Patienten und einige Besucher befinden.
Stellen Sie sich vor, Sie entwickeln nun ein Programm für einen medizinischen Assistenzroboter, der hypothetisch das richtige Medikament an den richtigen Patienten ausliefert. Verwenden Sie die bereitgestellten Bilder als Informationsquelle.
Erwartetes Ergebnis:
Das Programm sollte die Koordinaten eines Begrenzungsrahmens (Bounding Box) liefern, der die Person im Bild hospital_scene.jpeg identifiziert, die das Medikament gemäss dem Rezept erhalten soll.
Zeichnen Sie die Bounding Box direkt auf das Bild hospital_scene.jpeg, speichern Sie es als hospital_scene_patient1_identified.jpeg.
Verwenden Sie dasselbe Notebook mit den Bildern im Ordner extra_case/prescription2.jpg. Führen Sie das Notebook mit diesem anderen Rezept aus und prüfen Sie, ob der Code auch in diesem Fall die richtige Person korrekt identifizieren kann. Speichern Sie das finale Bild als hospital_scene_patient2_identified.jpeg.
Einreichungsdokumente:
Die Einreichung dieser Aufgabe sollte Folgendes umfassen:
- Das von Ihnen bearbeiteten Notebook (dieses File).
- Das erzeugte Bild
hospital_scene_patient1_identified.jpeg. - Das erzeugte Bild
hospital_scene_patient2_identified.jpeg.
Utils (Hilfsfunktionen):¶
Hier finden Sie einige vorgefertigte Funktionen, die Ihnen helfen, Bounding Boxes zu visualisieren und zu plotten sowie verschiedene Arten von Output zu parsen. Sie könnten Diese benutzen oder neue Funktionen selbst erstellen, falls notwendig.
import json
from PIL import Image, ImageDraw
from PIL import ImageColor
import re
additional_colors = [colorname for (colorname, colorcode) in ImageColor.colormap.items()]
def plot_bounding_boxes(im, noun_phrases_and_positions):
"""
Plots bounding boxes on an image with markers for each noun phrase, using PIL, normalized coordinates, and different colors.
Args:
img_path: The path to the image file.
noun_phrases_and_positions: A list of tuples containing the noun phrases
and their positions in normalized [y1 x1 y2 x2] format.
"""
# Load the image
img = im
width, height = img.size
print(img.size)
# Create a drawing object
draw = ImageDraw.Draw(img)
# Define a list of colors
colors = [
'red',
'green',
'blue',
] + additional_colors
# Iterate over the noun phrases and their positions
for i, (noun_phrase, (y1, x1, y2, x2)) in enumerate(
noun_phrases_and_positions):
# Select a color from the list
color = colors[i % len(colors)]
# Convert normalized coordinates to absolute coordinates
abs_x1 = int(x1/1000 * width)
abs_y1 = int(y1/1000 * height)
abs_x2 = int(x2/1000 * width)
abs_y2 = int(y2/1000 * height)
# Draw the bounding box
draw.rectangle(
((abs_x1, abs_y1), (abs_x2, abs_y2)), outline=color, width=4
)
# Draw the text
draw.text((abs_x1 + 8, abs_y1 + 6), noun_phrase, fill=color)
# Display the image
img.show()
# @title Parsing utils
def parse_list_boxes(text):
result = []
for line in text.strip().splitlines():
# Extract the numbers from the line, remove brackets and split by comma
try:
numbers = line.split('[')[1].split(']')[0].split(',')
except:
numbers = line.split('- ')[1].split(',')
# Convert the numbers to integers and append to the result
result.append([int(num.strip()) for num in numbers])
return result
def parse_json_in_output(output):
"""
Extracts and converts JSON-like data from the given text output to a Python dictionary.
Args:
output (str): The text output containing the JSON data.
Returns:
dict: The parsed JSON data as a Python dictionary.
"""
# Regex to extract JSON-like portion
json_match = re.search(r"\{.*?\}", output, re.DOTALL)
if json_match:
json_str = json_match.group(0)
# Fix single quotes and ensure proper JSON formatting
json_str = json_str.replace("'", '"') # Replace single quotes with double quotes
try:
# Convert the fixed JSON string into a dictionary
json_data = json.loads(json_str)
return json_data
except json.JSONDecodeError:
return "The extracted JSON is still not valid after formatting."
else:
return "No JSON data found in the given output."
def parse_list_boxes_with_label(text):
text = text.split("```\n")[0]
return json.loads(text.strip("```").strip("python").strip("json").replace("'", '"').replace('\n', '').replace(',}', '}'))
Aufgabe (1): Laden und Visualisieren von Bildern / Importing notwendige Libraries¶
Details zur Aufgabenstellung:
- Laden und visualisieren Sie die Bilder
prescription1.jpgundhospital_scene.jpeg - Die notwendige Libraries für das AP hier importieren
(max. erreichbare Punkte: 4)
from openai import OpenAI
import os
import base64
from PIL import Image
# Function to encode the image
def encode_image(image_path):
with open(image_path, "rb") as image_file:
return base64.b64encode(image_file.read()).decode('utf-8')
openAIclient = OpenAI(api_key=os.environ.get("OPENAI_API_KEY", "<your OpenAI API key if not set as env var>"))
img = "images/hospital_scene.jpeg"
img2 = "images/prescription1.jpg"
%matplotlib inline
import os
import google.generativeai as genai
from PIL import Image
import requests
import io
import json
im = Image.open(img)
im.show()
im = Image.open(img2)
im.show()
